LeqMod:适应性损伤-量化-对深度学习进行一致的调制-低数PET图像去除

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 基于深度学习的正电子发射断层扫描 (PET) 图像无色化旨在减少辐射暴露和扫描时间.
• 当前的方法往往会模糊重要的细节,从而对病变量化准确性产生负面影响.
• 准确的量化对于在PET成像中有效的诊断和治疗监测至关重要.

研究的目的:

• 引入一种新的策略,LeqMod (损伤感知和量化一致的调制),用于增强PET图像消噪.
• 改进无色化PET图像中的病变可见性和量化一致性.
• 开发一种可适应各种深度学习架构的插即用方法,而不会增加推断计算负载.

主要方法:

• LeqMod策略将下游病变量化分析作为模型训练中的辅助工具.
• 它包括两个组成部分:LeMod (损伤感知调制) 和QuMod (多尺度量化一致调制).
• LeMod使用不同的采样重量和损失标准,用于病变存在的样本与没有病变的样本,由辅助细分网络指导.
• QuMod的重点是提高标准化吸收值 (SUVmean和SUVmax) 在多个尺度和子区域的准确性.

主要成果:

• 对大型,多中心,多供应商PET数据集的实验证明了LeqMod在不同的Denoising框架中的有效性.
• 与非LeqMod框架相比,LeqMod的整合减少了5.92%的平均病变SUVmax偏差.
• 在参与站点中,LeqMod 提高了0.36的平均峰值信号噪声比 (PSNR).

结论:

• 拟议的LeqMod策略通过保留关键细节和提高量化准确性,显著提高PET图像无色化.
• LeqMod提供了一种多功能且计算效率高的解决方案,用于提高低数量的PET图像的质量和诊断效用.
• 这种方法有望减少辐射剂量和扫描时间,同时在临床PET成像中保持高诊断性能.